Grænseflader mellem hjerne og maskine: Din hjerne i aktion

På den intrakortikale optagelsesfront (dvs. ved hjælp af elektrodearrays til at registrere aktiviteten af enkelte neuroner) har de seneste fremskridt givet et “proof of concept”, der viser den teoretiske mulighed for at opbygge funktionelle BMI-systemer i den virkelige verden. Faktisk har det sidste årti budt på imponerende demonstrationer af neural kontrol af proteser hos gnavere, ikke-menneskelige primater og mennesker, der deltager i kliniske fase I-forsøg. Disse fremskridt vil accelerere kraftigt i løbet af de næste 5-10 år og forventes at føre til en lang række klinisk anvendelige løsninger til forskellige neurologiske tilstande.

Disse tilgange giver komplementære fordele, og en kombination af teknologier kan være nødvendig for at nå det ultimative mål om at genvinde motorisk funktion med BMI på et niveau, der gør det muligt for en patient ubesværet at udføre opgaver i dagligdagen [4]. Desuden bliver vi nødt til at kombinere praktiske BMI-værktøjer med smarte interaktionsdesigns og -enheder for at lette brugen over lange perioder og reducere den kognitive belastning [5]. BMI’s retning er således vendt fra “Kan et sådant system nogensinde bygges?” til “Hvordan bygger vi pålidelige, nøjagtige og robuste BMI-systemer, der er klinisk levedygtige?” Dette spørgsmål vil kræve, at man tager fat på følgende centrale udfordringer:

Den første er at designe fysiske grænseflader, der kan fungere permanent og vare hele livet. Ny hardware spænder fra tørre EEG-elektroder til biokompatible og fuldt implanterbare neurale grænseflader, herunder EKoG, LFP og SUA, fra flere hjerneområder. En væsentlig komponent i dem alle er trådløs transmission og ultra lavt strømforbrug. Det er vigtigt, at denne nye hardware kræver nye softwareløsninger. Kontinuerlig brug af et BMI skaber pr. definition plastiske ændringer i hjernens kredsløb. Det fører til ændringer i mønstrene i neurale signaler, der koder for brugerens intentioner. BMI’et og især afkodningsalgoritmen skal udvikles, efter at de er taget i brug. Maskinlæringsteknikker, som er avancerede matematiske måder at afkode signaler fra hjernen på, skal spore disse forandringer på en gennemsigtig måde, mens brugeren betjener den hjernestyrede enhed. Denne gensidige tilpasning mellem brugeren og BMI’en er ikke triviel.

Den anden udfordring er at afkode og integrere information om brugerens kognitive tilstand i systemet, som er afgørende for viljestyret interaktion. Det kan omfatte opmærksomhed på fejl begået af enheden, foregribelse af kritiske beslutningspunkter, svigtende opmærksomhed og træthed. Dette vil være afgørende for at reducere den kognitive arbejdsbyrde og lette den langsigtede drift. Kognitiv information skal kombineres med udlæsninger af forskellige aspekter af frivillig motorisk adfærd, fra kontinuerlige bevægelser til diskrete intentioner (f.eks. typer af greb; begyndelse af bevægelser), for at opnå naturlig, ubesværet betjening af komplekse proteser.

Den tredje store udfordring er at give realistisk sensorisk feedback, der formidler kunstig taktil og proprioceptiv information, dvs. bevidstheden om protesens position og bevægelse. Denne type sanseinformation har potentiale til at forbedre styringen af protesen betydeligt ved at give brugeren mulighed for at føle omgivelserne i tilfælde, hvor de naturlige sanseaffektorer er kompromitteret, enten gennem andre sanser eller ved at stimulere kroppen til at genvinde den tabte følelse. Mens den nuværende indsats mest er fokuseret på bred elektrisk stimulering af neuroner i sensoriske områder af hjernen, vil nye optogenetiske tilgange (dvs. at tænde og slukke hjerneceller med lys) give mulighed for mere selektiv stimulering af målrettede neuroner. På et mere perifert niveau er alternativerne elektrisk stimulering af perifere nerver og vibrotaktil stimulering i kropsområder, hvor patienterne stadig har en somatosensorisk opfattelse.

Endelig har BMI-teknologien et stort potentiale som et værktøj til neurovidenskabelig forskning, da den giver forskere en unik mulighed for direkte at kontrollere årsagssammenhængen mellem hjerneaktivitet, sensorisk input og adfærdsmæssigt output [6]. Derfor kan denne teknologi give ny indsigt i handlingens og opfattelsens neurobiologi.